Volltextdatei(en) vorhanden
Titel: Komponentenbasierte Modellierung und Simulation lernfähiger Agenten
Sonstige Titel: Component-based modeling and simulation of adaptive agents
Sprache: Deutsch
Autor*in: Kruse, Sven
GND-Schlagwörter: SimulationGND
Agenten
ModellierungGND
Künstliche IntelligenzGND
Lernfähigkeit
Verstärkung
LernenGND
Maschinelles LernenGND
Erscheinungsdatum: 2014
Tag der mündlichen Prüfung: 2014-08-13
Zusammenfassung: 
Der Einsatz von multiagentenbasierter Simulation hat sich in den vergangenen Jahren als methodischer Ansatz zur Untersuchung komplexer Systeme etabliert. Der agentenbasierte Ansatz eignet sich besonders zur Beschreibung autonomer und zielorientierter Akteure, deren gemeinsame Interaktion zu komplexem Verhalten auf einer übergeordneten Betrachtungsebene führen kann. Mit den Methoden der Simulation können die Wechselwirkungen zwischen der mikroskopischen Ebene (mit dem individuellen Verhalten der Agenten) und der makroskopischen Ebene (mit dem emergenten Systemverhalten) systematisch und effizient untersucht werden. In der bisherigen Praxis wurde bislang allerdings eine Rückkoppelung zwischen der makroskopischen und der mikroskopischen Ebene weitestgehend vernachlässigt. Innerhalb des Agentenverhaltens werden somit starre und unveränderliche Regeln eingesetzt und dem einzelnen Agenten weitergehende Fähigkeiten zur Anpassung seines Verhaltens abgesprochen. Gerade im Kontext dynamischer oder hochkomplexer Aufgabenstellungen ist ein solcher Ansatz aber häufig wenig zielführend, da er dem Entwickler bereits während der Konzeptionierung seiner Modelle ein ausgeprägtes Domänenwissen abverlangt, das dieser aber noch gar nicht besitzen kann.
Eine manuelle Anpassung des Verhaltens in den Iterationen des Entwicklungsprozesses ist allerdings sehr aufwendig und häufig wenig robust. Stattdessen wird heutzutage verstärkt nach geeigneten Methoden gesucht, die eine automatisierte Anpassung des Verhaltens ermöglichen. In der Praxis herrscht dabei der Einsatz genetischer Verfahren vor. Dieser Ansatz löst aber die grundlegende Problemstellung nur bedingt, zumal die Adaption des Verhaltens nur außerhalb der eigentlichen Ausführung des Simulationsmodells erfolgt. Gerade in den typischen Anwendungsdomänen der Simulation, wie z. B. Soziologie und Biologie, drängen aber adaptive Erklärungsmodelle immer weiter in den Vordergrund. Der Modellierer benötigt daher geeignete Methoden, um solche Ansätze auch direkt in seine Simulationsmodelle einzubinden.
Dabei kann er auf bestehende Ansätze aus dem Bereich der KI-Forschung zurückgreifen. Das maschinelle Lernen beschäftigt sich nun schon seit mehreren Jahrzehnten mit der Umsetzung des induktiven Lernprozesses. Allerdings finden sich bislang wenige Arbeiten, die eine explizite Integration der Methoden vornehmen. Dies lässt sich im Wesentlichen auf ein unterschiedliches Grundverständnis der beiden Forschungsrichtungen zurückführen. In dieser Arbeit wird daher ein konzeptionelles Rahmenmodell zur Integration der Lernverfahren unter Berücksichtigung des methodischen Vorgehens der multiagentenbasierten Simulation abgeleitet und in einer bestehenden Simulationsumgebung als Rahmenwerk prototypisch implementiert.

Multi-agent-based simulation is nowadays recognized as a valuable methodological approach for analyzing complex systems. Agent-based modelling is particularly suited to describe autonomous and goal-oriented actors whose interactions can lead to complex behaviour at a systemic level. A user can apply simulations to study the complex and unforeseen interactions between a microscopic level (describing the individual behaviour of the agents) and a macroscopic level (describing the emergent behaviour of the overall system). In the past an explicit feedback between the macroscopic and microscopic level has been neglected. Thus static and rigid rules are commonly used to describe the behaviour of the agents. The agents are not allowed to amend their behaviour at runtime. Such an approach is not particularly well-suited for dynamic or complex problem domains. Additionally an adequate behaviour requires detailed domain knowledge. The developer is usually not able to provide this in the initial development of the simulation model.
Therefore the behaviour has to be adjusted manually. Such iterations are often quite tedious and the resulting behaviours are not particularly robust. Therefore we can identify an increasing demand for an automated adaptation of the behaviour. In practice the use of genetic methods is quite prevalent. However, this solves the underlying problem only partially. The behaviour is still adapted offline. This is not in line with the requirements from the application domains such as sociology and biology which require adaptive explanatory models for the agents themselves.
On the other hand machine learning has been dealing with the implementation of the inductive learning process now for several decades. But there are only few works that try an explicit integration of the methods. This can be attributed to a quite differing understanding of the underlying ontology. In this thesis a conceptual framework model of the learning process is established under consideration of the methodological approach of multi-agent-based simulation and prototypically implemented in an existing simulation environment as a framework.
URL: https://ediss.sub.uni-hamburg.de/handle/ediss/5855
URN: urn:nbn:de:gbv:18-73176
Dokumenttyp: Dissertation
Betreuer*in: Page, Bernd (Prof. Dr.-Ing.)
Enthalten in den Sammlungen:Elektronische Dissertationen und Habilitationen

Dateien zu dieser Ressource:
Datei Beschreibung Prüfsumme GrößeFormat  
Dissertation.pdfc867def23868ec7e94b852ae272937f47.25 MBAdobe PDFÖffnen/Anzeigen
Zur Langanzeige

Diese Publikation steht in elektronischer Form im Internet bereit und kann gelesen werden. Über den freien Zugang hinaus wurden durch die Urheberin / den Urheber keine weiteren Rechte eingeräumt. Nutzungshandlungen (wie zum Beispiel der Download, das Bearbeiten, das Weiterverbreiten) sind daher nur im Rahmen der gesetzlichen Erlaubnisse des Urheberrechtsgesetzes (UrhG) erlaubt. Dies gilt für die Publikation sowie für ihre einzelnen Bestandteile, soweit nichts Anderes ausgewiesen ist.

Info

Seitenansichten

252
Letzte Woche
Letzten Monat
geprüft am 27.03.2024

Download(s)

88
Letzte Woche
Letzten Monat
geprüft am 27.03.2024
Werkzeuge

Google ScholarTM

Prüfe